不确定性推理概述
第 3 章的确定性推理建立在"前提非真即假、规则绝无例外"的理想之上。但真实世界并不如此配合：医生看到的症状可能由多种疾病引起，传感器读数带有误差，"年轻人""高个子"这样的概念根本没有清晰边界。不确定性推理研究的就是如何在知识与证据不确定时，仍然给出尽可能合理的结论及其可信程度。
不确定性的主要来源
| 类型 | 含义 | 示例 |
|---|---|---|
| 随机不确定性 | 事件是否发生服从概率规律 | 投掷硬币、设备故障、明天下雨 |
| 模糊不确定性 | 概念边界不清晰，隶属程度渐变 | "天气很热""车速很快"（扎德模糊集合） |
| 不完全性 | 证据或知识缺失、无法获知全部信息 | 问诊时检查结果尚未出来 |
| 不精确性 | 观测或表示存在误差 | 仪器误差、"大约三米远" |
| 不一致性 | 多来源证据或专家意见相互冲突 | 两位医生给出不同诊断 |
不确定性推理要解决的基本问题
① 不确定性的表示
用什么量描述证据与规则的不确定程度？概率、几率、可信度、隶属度各成体系。还需确定其取值范围与语义。
② 证据不确定时的匹配
规则前提与证据不能精确匹配时，匹配度如何计算？阈值如何设定？
③ 组合证据的不确定性
多个证据以 AND / OR 组合时，整体不确定度如何合成？（如取最小、最大或概率公式）
④ 不确定性的传递与更新
证据的不确定度与规则强度相结合，如何计算结论的不确定度？多条规则推出同一结论时如何合成？
围绕这些问题，形成了两大类方法：基于概率的方法（贝叶斯、主观贝叶斯、证据理论、可信度模型）处理随机性；模糊推理处理边界模糊性。
概率方法与贝叶斯网络
从条件概率到贝叶斯公式
概率推理以概率论为基础，用 0~1 之间的概率表示信念强度。核心工具是贝叶斯公式：
P(Hi)：先验概率，证据出现前对假设 Hi 的原有信念；P(E|Hi)：条件概率（似然），若 Hi 成立，观察到证据 E 的可能性；P(Hi|E)：后验概率，观察到 E 之后对 Hi 的更新信念。
设某地区人群中患病率 P(H)=0.001；检测的真阳性率 P(E|H)=0.99，假阳性率 P(E|¬H)=0.05。若某人检测呈阳性，他真正患病的概率是多少？
P(H|E) = 0.99×0.001 / (0.99×0.001 + 0.05×0.999) ≈ 0.0194，尚不足 2%。这个反直觉的结果说明：当疾病罕见时，先验概率对后验有决定性影响，阳性结果更多来自健康人群中的假阳性。这正是贝叶斯思维的精髓——用证据修正先验，而非被直觉绑架。
贝叶斯网络（信念网络）
直接用联合概率分布推理时，变量一多，概率表将爆炸式增长。贝叶斯网络是一张有向无环图（DAG）：节点表示随机变量，有向边表示直接因果依赖，每个节点附带一张在其父节点条件下的条件概率表（CPT）。利用图所表达的条件独立关系，联合分布可被紧凑地分解：
例如"下雨 → 草地湿 ← 洒水车开启"的网络中，草地是否湿只需以"下雨"和"洒水车"为条件。已知证据后，可通过变量消元、信念传播等推理算法求任意节点的后验概率。贝叶斯网络把因果图结构与概率论严格结合，是医疗诊断、故障分析、风险评估的经典工具。
主观贝叶斯方法
贝叶斯公式要求给出大量精确的条件概率，而专家往往只对"如果出现某证据，假设的可能性增加多少"有主观判断。1976 年杜达（R. O. Duda）等人在地质勘探专家系统 PROSPECTOR 中提出主观贝叶斯方法，用充分性度量 LS与必要性度量 LN刻画规则强度。
几率（Odds）与 LS / LN
几率把概率变换为"有利比不利"的形式：O(X) = P(X)/(1−P(X))，与概率一一对应（P>0.5 时 O>1）。规则 IF E THEN H 携带两个参数：
LN = P(¬E|H) / P(¬E|¬H) （E 不出现对 H 的支持力度）
证据出现或不出现时，假设的几率按下式更新（形式极其简洁）：
- LS > 1：证据 E 支持 H；LS 越大支持越强；LS = 1 表示 E 与 H 无关；
- LN < 1：证据缺失时会削弱 H；LN = 0 表示 E 是 H 的必要条件（故 LN 又称必要性度量）。
当证据本身不确定（以概率 P(E|E') 存在）时，方法通过分段插值的 EH 公式（杜达公式）在 P(H|¬E) 与 P(H|E) 之间平滑取值；专家无法直接给先验概率时，则用可信度—概率对应（CP 公式）转换。多条规则支持同一假设时，可在几率形式下连乘各规则的影响：
主观贝叶斯方法理论基础较严谨、规则参数含义直观，但要求 LS、LN 与先验概率保持概率一致性，实际获取并不容易。
可信度方法（CF 模型）
可信度方法是医疗诊断专家系统 MYCIN（1972）使用的不确定性推理模型，因其简单、直观、便于专家估计，在工程中影响深远。它用可信度因子（Certainty Factor，CF）∈ [−1, 1] 表示信念：正值表示信任，负值表示不信任，0 表示与结论无关或一无所知。
知识与证据的可信度
不确定性规则写为：IF E THEN H (CF(H, E))。其中 CF(H, E) 由专家给出，可理解为信任增长度 MB 与不信任增长度 MD 之差：
CF=1：E 使 H 绝对为真 CF=−1：绝对为假 CF=0：E 与 H 无关
证据的可信度记为 CF(E)，初始证据由用户给出（如"CF(发烧)=0.8"），中间结论的 CF 由推理计算。
不确定性的合成与传递
| 情形 | 计算方法 |
|---|---|
| 合取证据 E = E1 AND E2 | CF(E) = min{ CF(E1), CF(E2) }（短板原则） |
| 析取证据 E = E1 OR E2 | CF(E) = max{ CF(E1), CF(E2) } |
| 不确定性传递（单条规则） | CF(H) = CF(H, E) × max{ 0, CF(E) }（证据为负时不触发规则） |
| 两条独立规则合成同一结论 | 设 CF1、CF2 同号：CF = CF1+CF2−CF1·CF2（同正）；异号：CF = (CF1+CF2) / (1−min{|CF1|,|CF2|}) |
规则 R1：IF 发烧 THEN 感冒 CF=0.5；规则 R2：IF 咳嗽 THEN 感冒 CF=0.6。已知 CF(发烧)=0.9，CF(咳嗽)=0.8。
传递：CF1 = 0.5×0.9 = 0.45；CF2 = 0.6×0.8 = 0.48。
合成：CF(感冒) = 0.45 + 0.48 − 0.45×0.48 = 0.714。两条证据相互印证，对"感冒"的可信度超过了任何单条规则。
CF 模型计算简便、不需要先验概率、结论可解释，但合成公式带有一定的经验性，理论上不如概率方法严密，适合对精度要求适中、规则由专家提供的诊断型系统。
证据理论（D-S 理论）
由德普斯特（A. P. Dempster）提出、沙弗（G. Shafer）发展的证据理论（Dempster–Shafer Theory）是概率论的推广。它最大的特点是能够区分"不确定"（信息不足）与"不相信"，并允许把信念分配给命题的集合而非单个命题。
基本概率分配、信任函数与似然函数
设 U 为互斥且穷举的命题集合（识别框架）。基本概率分配函数 m 把 [0,1] 的质量赋给 U 的每个子集 A，满足 m(∅)=0、ΣA⊆U m(A)=1。m(A) 表示证据直接、精确地支持子集 A 的程度；未明确分派的部分可赋给 U 本身，表示"不知道"。
- 信任函数 Bel(A) = ΣB⊆A m(B)：对 A 的总信任程度（下界）；
- 似然函数 Pl(A) = 1 − Bel(¬A) = ΣB∩A≠∅ m(B)：不否定 A 的最大可能程度（上界）。
区间宽度反映未知程度：[1,1] 表示确认为真，[0,0] 表示确认为假，[0,1] 表示完全无知——这是证据理论刻画"不确定"的精妙之处。
识别框 U = {感冒，流感}。传感器证据给出 m({感冒})=0.5，m({流感})=0.2，m(U)=0.3（30% 的信念处于"不知道是哪一种"）。则 Bel({感冒})=0.5；Pl({感冒}) = m({感冒}) + m(U) = 0.8，即真实概率落在区间 [0.5, 0.8] 中。
Dempster 组合规则
当多个独立来源提供不同的概率分配 m1、m2 时，用正交和合成：对交集进行合取聚合，再用归一化因子 1−K 扣除冲突质量（K 为两证据完全矛盾部分的质量和）：
该规则能融合多传感器、多专家证据，在目标识别、信息融合中广泛使用；但当证据高度冲突时（K→1）可能产生违背直觉的结果，这也催生了一系列改进组合公式。
模糊推理
概率论处理的是"发不发生"的随机性，而模糊理论处理的是"程度如何"的模糊性。1965 年扎德（L. A. Zadeh）提出模糊集合，1974 年 Mamdani 首次把模糊逻辑用于蒸汽机控制，开启了模糊推理在工程中的广泛应用。
模糊集合与隶属函数
普通集合中元素"非此即彼"；在模糊集合 A 中，元素 x 以程度 μA(x) ∈ [0,1] 属于 A，函数 μA 称为隶属函数。例如"高温"可以定义为：μ高温(20℃)=0，μ高温(30℃)=0.4，μ高温(38℃)=1。常用隶属函数形状有三角形、梯形和钟形（高斯形）。
μA∩B(x) = min( μA(x), μB(x) ) · μ¬A(x) = 1 − μA(x)
模糊关系与合成
两个论域 U、V 之间的模糊关系 R 用隶属矩阵表示，元素 rij 表示 ui 与 vj 的关联程度。模糊关系的合成采用"∨−∧"运算（把矩阵乘法中的乘换为 min、加换为 max）：
模糊假言推理（Mamdani 方法）
模糊规则形如 IF x 是 A THEN y 是 B，例如"若服务好，则小费高"。给定模糊事实 A'，推理步骤为：
① 输入模糊化
把精确输入经隶属函数映射为各模糊语言值（低、中、高）上的隶属度。
② 计算规则触发强度
前件含 AND 取 min（或乘积），含 OR 取 max，得到每条规则的权重 w。
③ 对后件进行"削顶"
以 w 为高裁剪后件的隶属函数（Mamdani 用 min 蕴含），得到各规则的输出模糊集。
④ 聚合与去模糊化
把所有规则的输出模糊集取并（max）聚合，再用重心法（面积中心）等方法化为一个精确输出值。
对聚合后的输出隶属函数 μ(y)，输出精确值 y* = ∫ y·μ(y)dy / ∫ μ(y)dy。它相当于让最终决策位于"模糊面积的平衡点"。
模糊推理无需精确数学模型、规则可用自然语言描述、对噪声和参数漂移鲁棒性强，广泛用于空调、洗衣机、地铁自动驾驶、摄像机防抖等控制系统，也用于医学评估、风险评级等决策支持场景。
交互演示：模糊小费推理
下面是模糊控制教科书的经典案例——餐厅小费问题。系统内置三条 Mamdani 规则：
- R1：IF 服务差 OR 菜差 THEN 小费低（约 5%）
- R2：IF 服务一般 THEN 小费中等（约 15%）
- R3：IF 服务好 OR 菜好 THEN 小费高（约 25%）
拖动滑块改变评分（0~10），观察三条规则的触发强度、输出隶属函数被"削顶"后的形状，以及金色虚线标示的重心去模糊化结果。
Mamdani 模糊推理机
FUZZY · TIPPING① 把服务固定在 5 分，单独拖动菜品评分：低小费与高小费权重为何会此消彼长？② 当服务极差（0 分）而菜品极好（10 分）时，R1 与 R3 同时触发，重心为何偏向中等？这正体现了 OR 规则与聚合取并的折中效果。③ 与"if 分数 > 6 then 高小费"这样的硬阈值规则相比，模糊推理的输出为何不会在边界处发生跳变？